Y. Zhang, G. Zhu, L. Wu, S. Kwong, H. Zhang and Y. Zhou, "Multi-Task SE-Network for Image Splicing Localization," in IEEE Transactions on Circuits and Systems for Video Technology, vol. 32, no. 7, pp.
Last updated
Was this helpful?
主要的思路就是在特征提取/特征表示的时候，采用的新的元素去提取特征；1. 是使用了image edge（图像边缘？？），结合label mask和mask edge；2. 是以往的篡改检测，要不就是只处理了浅层的low-level特征，要不就是只关注了深层的high-level 特征，这次作者把他们fuse了，方法就是使用multi-task learning，同时配以squeeze and excitation attention modules(SEAMs) (挤压和激励，就是卷积的一种方法，就跟ASPP类似那种，有channel-wise squeeze-and-excitation modules, 可能也有layer-wise，spatial-wise；具体就是：Squeeze-and-Excitation Block，可以概括为自注意力机制） 都是为了更好的特征表示；3. 是针对提出的新的使用的image edge对应的loss策略。
None of the existing methods take the edge of images into consideration for splicing localization.
squeeze and excitation 是一个结构单元，它是通过让网络去执行动态的通道特征再校准（recalibrating the discrminative features 校准特征是？？），来提高网络的表示能力，具体的过程是：
首先有一个卷积块作为输入，（由于直接将特征图和filter kernel进行卷积得到的特征表示往往本质上是隐性的？？和局部的，所以需要重新校准我们的filter来获得全局的特征表示，所以就提出了Squeeze and excitation）
Squeeze: 在feature map上操作，每个通道channel被挤压成一个单一数值，（通过平均池化，average pooling）
dense 层（全连接）之后加上非线性的ReLU，然后输出通道的复杂度按一定比例降低
另一个dense 层接着一个sigmoid（门控），给每个通道一个平滑的门控函数
Excitation: 最后，再两层全连接之后，根据side network（侧面网络？？）对卷积块的每个特征图进行加权，这就是“激励”
可以看作是一个feature map，而不是token上的attention，因为注意力机制本质上也是学习一组权值。
总体是一个多任务学习的网络结构，分成了两个stream，一部分是edge-guided stream, 另一个是Label Mask Stream，在边缘引导的这一个网络流中，采用的结构是U-Net的结构，encoder负责接收图片，从图片中提取特征；decoder就生成最后的像素水平的预测。在two stream的另外一个stream，标签掩码流，结构是相似的，同时结合了前面的edge的信息，得到最后的mask进行监督学习。
其中，为了将edge stream的特征结合到label mask stream，同一level的feature会透过FALs加到label mask stream上；
第二，为了利用low-level的特征，要融合浅层的low-level feature 和在上采样层里面的high-level feature map；所以就直接从输入的图片分别进行四次8241的下采样，得到low-level feature, 然后再把它们融合到每一次上采样之后的特征图里面去。
第三个就是，这些low-level和high-level的特征融合在一起，是比较粗粒度的，对于拼接检测来说，所以这些融合的特征要经过一个注意力机制来校准，校准之后再去卷积，上采样。
损失函数上，
三个部分，就三个损失函数。
